陶建斌，王昀，張馨月，姜啟樾，吳文斌

基于物候信息圖譜的耕地種植模式遙感監(jiān)測(cè)方法

1華中師范大學(xué)城市與環(huán)境科學(xué)學(xué)院/地理過程分析與模擬湖北省重點(diǎn)實(shí)驗(yàn)室，武漢430079；2中國(guó)農(nóng)業(yè)科學(xué)院農(nóng)業(yè)資源與農(nóng)業(yè)區(qū)劃研究所/北方干旱半干旱耕地高效利用全國(guó)重點(diǎn)實(shí)驗(yàn)室，北京 100081

【目的】種植模式是作物種植的前后茬順序的概括，反映耕地資源的利用方式和效率。本研究通過分析不同種植模式的物候特征，構(gòu)建江漢平原地區(qū)的耕地物候信息圖譜和種植模式譜，并實(shí)現(xiàn)該地區(qū)主要種植模式的提取。【方法】在地學(xué)信息圖譜理論支持下，根據(jù)農(nóng)作物種植的先驗(yàn)知識(shí)和不同種植模式所表現(xiàn)的物候差異，將植被指數(shù)變化過程和耕地利用方式的空間差異進(jìn)行圖譜合一的表達(dá)，組成包含耕地不同利用方式的耕地物候信息圖譜；以江漢平原地區(qū)的主要種植模式為例，將關(guān)鍵物候期植被指數(shù)的狀態(tài)進(jìn)行排列組合，建立植被指數(shù)狀態(tài)到種植模式的信息重映射規(guī)則，并在此基礎(chǔ)上根據(jù)農(nóng)作物特有的物候知識(shí)進(jìn)行物候特征挖掘，進(jìn)行江漢平原地區(qū)種植模式譜的構(gòu)建；進(jìn)而利用樸素貝葉斯網(wǎng)絡(luò)融合關(guān)鍵物候期影像和物候知識(shí)實(shí)現(xiàn)江漢平原種植模式的提取。采用基于知識(shí)概率編碼的方法，對(duì)關(guān)鍵物候期的植被指數(shù)狀態(tài)進(jìn)行定量表達(dá)。【結(jié)果】構(gòu)建了江漢平原地區(qū)的種植模式譜，發(fā)現(xiàn)江漢平原地區(qū)的種植模式譜由8種種植模式構(gòu)成：春?jiǎn)渭?、夏單季、春夏雙季、夏秋雙季、雙季稻、經(jīng)濟(jì)作物、魚塘、苗木或撂荒。提出的種植模式譜及基于樸素貝葉斯網(wǎng)絡(luò)的種植模式提取方法能夠準(zhǔn)確地提取出所有種植模式，并具有良好的精度和適用性。江漢平原地區(qū)在研究時(shí)段內(nèi)呈現(xiàn)顯著的夏秋雙季擴(kuò)張，以及春夏雙季和夏單季減少的趨勢(shì)?！窘Y(jié)論】種植模式譜全面反映了江漢平原地區(qū)種植模式的總體特征，提升了耕地利用方式監(jiān)測(cè)的準(zhǔn)確度，豐富了耕地資源利用方式的內(nèi)涵。本文方法得到的種植模式分布圖可以作為作物制圖的基礎(chǔ)底圖數(shù)據(jù)，也是種植強(qiáng)度制圖的重要依據(jù)。

物候信息圖譜；種植模式；種植模式譜；貝葉斯網(wǎng)絡(luò)；江漢平原

0 引言

【研究意義】種植模式是作物種植的前后茬順序的概括，如復(fù)種和輪作[1]，其反映了耕地資源的利用方式和效率，對(duì)國(guó)家糧食安全和農(nóng)業(yè)土地系統(tǒng)的可持續(xù)發(fā)展產(chǎn)生直接影響。20世紀(jì)80年代以來，由于城鎮(zhèn)化和市場(chǎng)經(jīng)濟(jì)快速發(fā)展，我國(guó)很多地區(qū)種植“雙改單”、耕地撂荒現(xiàn)象日益普遍，種植模式發(fā)生了深刻的變化[2-3]。近年來，糧食生產(chǎn)實(shí)現(xiàn)規(guī)?；?jīng)營(yíng)的同時(shí)，耕地“非農(nóng)化”“非糧化”現(xiàn)象也日益突出[4-5]。利用衛(wèi)星遙感技術(shù)及時(shí)準(zhǔn)確地掌握區(qū)域農(nóng)作物種植模式及其時(shí)空動(dòng)態(tài)變化信息，對(duì)于農(nóng)業(yè)可持續(xù)發(fā)展、實(shí)現(xiàn)糧食安全和生態(tài)安全的權(quán)衡協(xié)同具有重要現(xiàn)實(shí)意義。【前人研究進(jìn)展】在耕地利用方式遙感監(jiān)測(cè)方面，已有研究主要集中在作物制圖或種植結(jié)構(gòu)監(jiān)測(cè)。作物制圖往往局限于單一類型[6-10]或者特定類型但是種植結(jié)構(gòu)單一的地區(qū)[11-15]。在農(nóng)作物種植模式時(shí)空分布制圖方面已經(jīng)有一些有價(jià)值的探索[16]，但還不夠充分。有關(guān)作物之間在時(shí)空上的組合關(guān)系，即復(fù)種、輪作的研究還比較缺乏。同時(shí)，耕地利用方式監(jiān)測(cè)常用的指標(biāo)是種植頻率[17-20]或復(fù)種指數(shù)[21-25]。種植頻率根據(jù)遙感時(shí)序曲線的峰值特性，將作物種植區(qū)分為一季、兩季或者三季。在我國(guó)南方地區(qū)，由于受地塊大小的限制、影像時(shí)空分辨率以及影像可獲得性的約束，大量的種植信息被忽略。如雙季種植由于物候期的不同，部分雙季種植被識(shí)別為單季種植?，F(xiàn)有方法不能有效處理物候差異導(dǎo)致的同種種植模式內(nèi)部差異帶來的問題。因此，傳統(tǒng)的作物制圖和種植結(jié)構(gòu)制圖還不能準(zhǔn)確全面地反映耕地資源的種植狀況和利用方式。地學(xué)圖譜是既表達(dá)地學(xué)要素過程又表達(dá)空間差異的圖譜合一的系統(tǒng)[26]。地學(xué)信息圖譜是地學(xué)圖譜和信息技術(shù)的結(jié)合，能快速匯集數(shù)據(jù)、提升地學(xué)知識(shí)發(fā)現(xiàn)的效率[27]?！颈狙芯壳腥朦c(diǎn)】近年來地學(xué)信息圖譜廣泛應(yīng)用于土地利用變化的研究[28-29]，但用于種植模式變化的研究尚處于起步階段。作物的轉(zhuǎn)換其實(shí)是一種土地利用變化的特殊形態(tài)，包括年際的變化和年內(nèi)的變化。本文的種植模式指的是作物在年內(nèi)季節(jié)間的變化。季節(jié)間的作物轉(zhuǎn)換，伴隨著作物的“播種-生長(zhǎng)-收獲”等周期性的動(dòng)態(tài)變化過程，植被指數(shù)狀態(tài)也出現(xiàn)周期性的變化。因此，選擇關(guān)鍵物候期，利用植被指數(shù)動(dòng)態(tài)變化特征，構(gòu)建種植模式譜具有可行性?！緮M解決的關(guān)鍵問題】基于此，本文通過分析農(nóng)作物物候特征，提出耕地物候信息圖譜的概念，融合遙感數(shù)據(jù)和物候知識(shí)構(gòu)建種植模式譜，提高耕地資源利用方式和種植狀況監(jiān)測(cè)的準(zhǔn)確度。以種植模式復(fù)雜的江漢平原地區(qū)為應(yīng)用場(chǎng)景，融合多時(shí)相遙感數(shù)據(jù)，建立種植模式提取方法。

1 研究區(qū)域和數(shù)據(jù)

1.1 研究區(qū)域

江漢平原位于湖北省中南部，由長(zhǎng)江和漢水沖積而成（圖1）。其處于亞熱帶季風(fēng)氣候區(qū)，四季分明，日照充足，雨量充沛。區(qū)內(nèi)地勢(shì)平坦，整體地勢(shì)由西北向東南傾斜，水系發(fā)達(dá)，土壤肥沃，耕地連片，是我國(guó)重要的商品糧基地之一[30]。主要農(nóng)作物包括水稻、冬小麥、冬油菜、大豆、玉米等，主要種植模式為一年一熟和一年兩熟。由于地塊破碎、河湖分隔等因素，以及長(zhǎng)期以來小農(nóng)經(jīng)濟(jì)的影響，種植模式復(fù)雜多樣。近些年來由于耕地流轉(zhuǎn)的推進(jìn)，出現(xiàn)了外地資本連片承包耕地的現(xiàn)象，耕地非糧化現(xiàn)象也日益普遍，種植模式變化頻繁。

a：數(shù)據(jù)來源于2017年的FROM-GLC土地覆蓋數(shù)據(jù)；b：數(shù)據(jù)來自NASA SRTM Digital Elevation 地理高程數(shù)據(jù)。A—E為5種典型種植模式的驗(yàn)證區(qū)

a: The data was sourced from FROM-GLC 2017 land-cover data; b: The data was sourced from NASA SRTM Digital Elevation data. A-E were the five validation areas representing typical cropping patterns

圖1 江漢平原的主要土地覆蓋類型（a）及采樣點(diǎn)（b）

Fig. 1 The major land-cover types (a) and sampling point (b) on the Jianghan Plain

1.2 數(shù)據(jù)

使用2017—2021年的Sentinel-2多光譜影像作為數(shù)據(jù)源。Sentinel-2是哨兵系列的高分辨率多光譜成像衛(wèi)星，由2015年發(fā)射的Sentinel-2A和2017年發(fā)射的Sentinel-2B兩顆衛(wèi)星組成。Sentinel-2擁有13個(gè)光譜波段，幅寬達(dá)290 km，空間分辨率分為10、20和60 m 3種，其中紅、綠、藍(lán)波段和近紅外波段的空間分辨率為10 m。本文使用Google Earth Engine（GEE）平臺(tái)上的Sentinel-2 Level-2A級(jí)地表反射率產(chǎn)品（https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR），該產(chǎn)品經(jīng)過了大氣校正和亞像元級(jí)幾何精校正。

Sentinel-2影像數(shù)據(jù)的預(yù)處理操作在GEE平臺(tái)進(jìn)行。首先，利用s2cloudless算法（https://github.com/ sentinel-hub/sentinel2-cloud-detector），去除云概率大于20%的像元，以減少云和陰影等的干擾。然后通過公式（1）計(jì)算2017—2021年時(shí)間序列NDVI （Normalized Difference Vegetation Index）數(shù)據(jù)集。最后對(duì)NDVI數(shù)據(jù)集進(jìn)行鑲嵌、裁剪，并將其重投影至WGS84/UTM zone 49N坐標(biāo)系下。

NDVI=(ρNIR-ρRED)/(ρNIR+ρRED) （1）

式中，ρNIR為近紅外波段的反射率，ρRED為紅光波段的反射率。樣本數(shù)據(jù)主要來自實(shí)地調(diào)查種植模式數(shù)據(jù)和使用GEE在線影像增擴(kuò)的數(shù)據(jù)。樣本數(shù)據(jù)用于獲取江漢平原地區(qū)種植模式的先驗(yàn)知識(shí)并對(duì)種植模式提取結(jié)果進(jìn)行精度驗(yàn)證。實(shí)地調(diào)研從2017年開始，根據(jù)區(qū)內(nèi)不同種植模式農(nóng)作物的季節(jié)性特點(diǎn)，在每年春季、夏季和秋季開展3次調(diào)研。調(diào)研過程中，除使用手機(jī)應(yīng)用程序記錄點(diǎn)位種植信息外，同時(shí)向當(dāng)?shù)剞r(nóng)民了解該村農(nóng)作物的復(fù)種情況，確保種植模式信息的準(zhǔn)確性和完整性。為滿足樣本的數(shù)量要求和確保樣本在空間分布上的均勻性，通過疊加農(nóng)作物同期的GEE影像進(jìn)行目視解譯，對(duì)樣本點(diǎn)進(jìn)行增擴(kuò)。GEE平臺(tái)的在線影像（https://developers.google.com/earth-engine/datasets）來自衛(wèi)星影像數(shù)據(jù)與航拍影像數(shù)據(jù)的融合，空間分辨率達(dá)亞米級(jí)，可以滿足樣本增擴(kuò)對(duì)影像的目視解譯要求。使用上述方法于2017—2021年間共采集6 253個(gè)樣本點(diǎn)，采樣點(diǎn)分布如圖1-b所示。

2 研究方法

2.1 物候信息圖譜

不同的耕地利用方式（含不同種植模式）有其特有的物候節(jié)律，體現(xiàn)在時(shí)序遙感數(shù)據(jù)上則是其獨(dú)特的NDVI曲線。農(nóng)作物依據(jù)其種植模式的不同，峰的個(gè)數(shù)和出現(xiàn)的位置均不相同。但總體上農(nóng)作物NDVI曲線在生長(zhǎng)季出現(xiàn)峰度較大的峰，在兩個(gè)生長(zhǎng)季的過渡期（或耕作準(zhǔn)備期）出現(xiàn)谷值（或NDVI值較低）。

江漢平原地區(qū)的第一季作物主要是冬季作物（包括冬油菜和冬小麥），通常在前一年的秋末冬初播種，在3月中旬至4月上旬（作物的第一個(gè)生長(zhǎng)季，簡(jiǎn)稱GS1）植被指數(shù)處于峰值，5月下旬至6月上旬（作物生長(zhǎng)季的第一個(gè)轉(zhuǎn)換期，簡(jiǎn)稱TG1）收割，同期開始播種第二季，植被指數(shù)處于低值。第二季通常是種植水稻或者大豆，生長(zhǎng)期通常3個(gè)月左右。這一時(shí)期光熱條件很好，處于植被的生長(zhǎng)旺季，在7月中旬至8月上旬（作物的第二個(gè)生長(zhǎng)季，簡(jiǎn)稱GS2）植被指數(shù)處于峰值。這3個(gè)物候期都是處于植被的生長(zhǎng)旺季，由于不同種植模式的物候差異，耕地的植被指數(shù)或者很高（位于峰值），或者很低（處于谷值，兩季作物的換茬期或者第二季的耕作準(zhǔn)備期），暫且用“高值”或“低值”來對(duì)植被指數(shù)的狀態(tài)進(jìn)行定性描述。所以，選擇GS1、TG1、GS2這3個(gè)物候期可以表征耕地不同的種植模式。作物的種植主要包括5種模式：春?jiǎn)渭?、夏單季、春夏雙季、夏秋雙季、雙季稻（詳見附錄-江漢平原地區(qū)作物種植模式的物候歷）。為便于對(duì)物候特征進(jìn)行概括，在GEE平臺(tái)采用中值合成方式計(jì)算得到3個(gè)物候期的NDVI合成影像。在這3個(gè)物候期，不同種植模式具有不同的物候特征。具體而言，春夏雙季表現(xiàn)為“V”字型；夏秋雙季表現(xiàn)為倒“V”字型；雙季稻表現(xiàn)為倒“V”字型（相比夏秋雙季，GS2偏高）；春?jiǎn)渭颈憩F(xiàn)為反斜杠型；夏單季表現(xiàn)為曲棍型。

在江漢平原地區(qū)還存在著大量耕地挖塘養(yǎng)殖的情況。一種是種植經(jīng)濟(jì)作物如蓮藕等，其生長(zhǎng)期比較長(zhǎng)，在3月份種植，5月份荷葉已部分覆蓋水面，7月份處于生長(zhǎng)旺季，9月份趨于成熟。所以在GS1植被指數(shù)處于低值，TG1和GS2處于高值，植被指數(shù)狀態(tài)組合表現(xiàn)為倒置的曲棍。另一種情形是用作魚塘，在3個(gè)物候期的值都很低，植被指數(shù)狀態(tài)組合與水體接近，表現(xiàn)為近似“一”字形且振幅較小。

非作物種植在這3個(gè)物候期組合上表現(xiàn)出不同于作物的物候特征：種植苗木的耕地或者撂荒地（簡(jiǎn)稱苗木或撂荒），與天然植被的物候特征相似，表現(xiàn)為近似“一”字形且振幅較大；非農(nóng)化耕地（主要是被建設(shè)占用）表現(xiàn)為近似“一”字形且振幅較小。

據(jù)此，選擇3個(gè)關(guān)鍵物候期的合成影像，將植被指數(shù)變化過程和土地覆蓋分布的空間差異進(jìn)行圖譜合一的表達(dá)，組成了包含上述9種利用類型（含不同種植模式）的耕地物候信息圖譜（圖2）。從2021年的樣本數(shù)據(jù)中隨機(jī)選擇10%的樣本并計(jì)算其均值來繪制此圖。

2.2 種植模式譜

依據(jù)地學(xué)信息圖譜理論，將GS1、TG1、GS2的植被指數(shù)的狀態(tài)（高值或低值）進(jìn)行排列組合，建立植被指數(shù)狀態(tài)到土地覆蓋類型（含種植模式）的信息重映射規(guī)則（圖3），得到具有8類編碼的地物植被指數(shù)狀態(tài)變化信息圖譜。但這些變化信息圖譜只是理論上的組合，還不能等同于種植模式，需要聯(lián)系到耕地的物候特征加以選擇。根據(jù)耕地的物候信息圖譜，3個(gè)物候期NDVI都很高的組合是苗木或撂荒；3個(gè)物候期NDVI都很低的組合是耕地被開挖成魚塘（因?yàn)榉寝r(nóng)化耕地不是一種種植類型，故在此被排除）；連續(xù)兩個(gè)物候期NDVI都高的情況比較復(fù)雜，需要根據(jù)具體情況進(jìn)行分析。事實(shí)上，前兩個(gè)時(shí)相NDVI為高值的組合不存在，因?yàn)樽魑锏纳L(zhǎng)季沒有那么長(zhǎng)；后兩個(gè)時(shí)相NDVI為高值的一般為經(jīng)濟(jì)作物。排除以上不可能存在的組合后，在耕地上剩下7種植被指數(shù)高低狀態(tài)組合：“高-高-高”“高-低-高”“高-低-低”“低-高-低”“低-低-高”“低-高-高”“低-低-低”。

結(jié)合耕地的物候信息圖譜和江漢平原地區(qū)作物種植模式的物候歷（附錄），在GS1-TG1-GS2這3個(gè)物候特征組合上，呈現(xiàn)“高-高-高”特征的是苗木或撂荒，呈現(xiàn)“高-低-高”特征的是春夏雙季；呈現(xiàn)“高-低-低”特征的是春?jiǎn)渭?；呈現(xiàn)“低-高-低”特征的是夏秋雙季；呈現(xiàn)“低-低-高”特征的是夏單季；呈現(xiàn)“低-高-高”特征的是經(jīng)濟(jì)作物；呈現(xiàn)“低-低-低”特征的是魚塘。

圖2 耕地物候信息圖譜

圖3 信息重映射規(guī)則

雙季稻作為南方地區(qū)特有的一種種植模式，其換茬期比較短，并且在GS2正處于快速生長(zhǎng)的階段，使得GS1-TG1-GS2組合上其物候特征不明顯，呈現(xiàn)“低-高-中”的特征，與夏秋雙季等存在一定程度的混淆（圖4-a）。因此，在原有物候期的基礎(chǔ)上增加雙季稻的換茬期，即從7月中旬到7月下旬（作物生長(zhǎng)季的第二個(gè)轉(zhuǎn)換期，簡(jiǎn)稱TG2）和雙季稻的第二個(gè)生長(zhǎng)期，即從8月中旬到9月中旬（簡(jiǎn)稱GS3），以更好地突出雙季稻的物候特征。在GS2-TG2-GS3這3個(gè)物候特征上，雙季稻與夏秋雙季等之間具有較好的區(qū)分度（圖4-b）。

a：不同種植模式和苗木或撂荒在GS1, TG1和GS2上的散點(diǎn)圖；b：夏秋雙季，雙季稻和苗木或撂荒在GS2, TG2和GS3上的散點(diǎn)圖

a: For different cropping patterns and trees or abandoned croplands on GS1-TG1-GS2; b: For Summer-and-Autumn double-cropping, double-cropping paddy-rice and trees or abandoned croplands on GS2-TG2-GS3

圖4 在不同物候特征組合上的三維散點(diǎn)圖

Fig. 4 Three-dimensional scatter points on different combinations of phenological features

為便于目視解譯，將3個(gè)物候期的NDVI進(jìn)行假彩色合成顯示（圖5-a），同時(shí)構(gòu)建各種植類型的三角形RGB彩色空間示意圖（圖5-b）（將GS1、TG1、GS2的NDVI值分別賦給紅（Red）、綠（Green）、藍(lán)（Blue）波段進(jìn)行色彩合成）。在假彩色合成影像中，每一種種植類型都有其獨(dú)特的色調(diào)特征，并映射到RGB彩色空間中相應(yīng)的位置（魚塘在3個(gè)物候期的灰度值都較低且飽和度較低，顏色呈黑色或者深灰色，在三角形RGB彩色空間中找不到對(duì)應(yīng)的位置）。具體而言，春?jiǎn)渭镜募t色分量高而綠色和藍(lán)色分量低，所以呈現(xiàn)出紅色；夏單季的紅色和綠色分量低而藍(lán)色分量高，所以呈現(xiàn)出藍(lán)色；春夏雙季的紅色和藍(lán)色分量高而綠色分量低，所以呈現(xiàn)品紅的顏色；夏秋雙季的紅色和藍(lán)色分量低而綠色分量高，所以呈現(xiàn)出綠色；雙季稻的紅色和藍(lán)色分量低而綠色分量高，所以呈現(xiàn)出綠色；經(jīng)濟(jì)作物的紅色分量低而和綠色和藍(lán)色分量高，所以呈現(xiàn)出青色；魚塘的3個(gè)分量都很低，所以呈現(xiàn)黑色；苗木或撂荒的3個(gè)顏色分量都很高，藍(lán)色和綠色分量更高，所以呈現(xiàn)出青色偏白的顏色。

根據(jù)不同種植模式所表現(xiàn)的物候差異和實(shí)地調(diào)研的先驗(yàn)知識(shí)，發(fā)現(xiàn)江漢平原地區(qū)的種植模式譜由8種種植模式構(gòu)成：春?jiǎn)渭?、夏單季、春夏雙季、夏秋雙季、雙季稻、經(jīng)濟(jì)作物、魚塘、苗木或撂荒。

2.3 種植模式的貝葉斯建模

融合關(guān)鍵物候期的遙感影像和作物物候的先驗(yàn)知識(shí)，利用樸素貝葉斯網(wǎng)絡(luò)模型來擬合種植模式和關(guān)鍵物候期特征之間的非線性關(guān)系，進(jìn)行種植模式譜的合成。貝葉斯網(wǎng)絡(luò)模型的構(gòu)建分為網(wǎng)絡(luò)結(jié)構(gòu)確定和網(wǎng)絡(luò)參數(shù)學(xué)習(xí)兩個(gè)步驟。將5個(gè)關(guān)鍵物候期的特征作為子節(jié)點(diǎn)，種植模式作為父節(jié)點(diǎn)，基于樸素貝葉斯網(wǎng)絡(luò)的條件獨(dú)立性假設(shè)構(gòu)建貝葉斯網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)，確定各節(jié)點(diǎn)之間的定性關(guān)系（圖6）。這5個(gè)物候期特征中，GS1、TG1和GS2用于對(duì)所有種植模式進(jìn)行區(qū)分，而TG2和GS3僅用于雙季稻的識(shí)別。分別取5個(gè)關(guān)鍵物候期內(nèi)的NDVI中值作為模型的關(guān)鍵特征變量，對(duì)江漢平原地區(qū)的種植模式進(jìn)行提取。

采用基于知識(shí)概率編碼的方法，定義各子節(jié)點(diǎn)的條件概率表（conditional probability table，CPT），對(duì)關(guān)鍵物候期的植被指數(shù)狀態(tài)進(jìn)行定量表達(dá)。首先對(duì)各節(jié)點(diǎn)變量進(jìn)行離散化處理，將特征節(jié)點(diǎn)以0.1為間隔分為10個(gè)等級(jí)；將種植模式節(jié)點(diǎn)設(shè)置為春?jiǎn)渭?、夏單季、春夏雙季、夏秋雙季、雙季稻和“其他”這6種狀態(tài)（在進(jìn)行種植模式提取時(shí)，只關(guān)注農(nóng)作物種植這5種模式，而將經(jīng)濟(jì)作物、魚塘、苗木或撂荒并入“其他”類型）。然后將不同種植模式在關(guān)鍵物候窗口內(nèi)的物候特征差異作為先驗(yàn)知識(shí)，突出不同種植模式在各物候期上所呈現(xiàn)的“高”“低”狀態(tài)，結(jié)合少量樣本，手動(dòng)填寫CPT。由于TG2和GS3只用來提取雙季稻，因而這兩個(gè)節(jié)點(diǎn)只填寫雙季稻的CPT，而忽略其他類型（表1）。

a：3個(gè)物候期假彩色合成影像（GS1-TG1-GS2）；b：三角形RGB彩色空間

a: The false color composite image of three phenological periods (GS1-TG1-GS2); b: Triangular RGB color space

圖5 江漢平原種植模式譜

Fig. 5 Cropping pattern spectrum on the Jianghan Plain

CP：表示種植模式節(jié)點(diǎn)。SingleSpring：春?jiǎn)渭荆籗ingleSummer：夏單季；DoubleSpringSummer：春夏雙季；DoubleSummerAutumn：夏秋雙季；DoubleCroppingRice：雙季稻。GS1、TG1、GS2、TG2和GS3分別表示關(guān)鍵物候期特征

CP: Represents cropping pattern node. SingleSpring: Spring single-cropping; SingleSummer: Summer single-cropping; DoubleSpringSummer: Spring-and- Summer double-cropping; DoubleSummerAutumn: Summer-and-Autumn double-cropping; DoubleCroppingRice: Double-cropping paddy-rice. GS1, TG1, GS2, TG2 and GS3 represent the features of the key phenological periods respectively

圖6 種植模式提取的貝葉斯網(wǎng)絡(luò)模型

Fig. 6 Bayesian Network model for cropping patterns mapping

表1 子節(jié)點(diǎn)的概率圖譜

作物NDVI處于谷值，即耕地處于兩季作物的換茬期或者第二季的耕作準(zhǔn)備期時(shí)，耕地以土壤背景為主，NDVI通常為0.1—0.3。作物處于生長(zhǎng)旺季時(shí)，NDVI處于峰值，通常為0.5—0.8。基于這一規(guī)律對(duì)植被指數(shù)的狀態(tài)（“高值”或“低值”）進(jìn)行量化表達(dá)（圖7）。

圖7 植被指數(shù)狀態(tài)的知識(shí)概率編碼示意圖

在參數(shù)確定后，模型被完全定義，具有了推理能力。當(dāng)給定某些節(jié)點(diǎn)的概率分布時(shí)，貝葉斯網(wǎng)絡(luò)能自動(dòng)計(jì)算其他節(jié)點(diǎn)的后驗(yàn)概率。假設(shè)指定種植模式為“春夏雙季”，通過模型的正向推理，可以看到所有子節(jié)點(diǎn)的概率分布相應(yīng)地發(fā)生了變化。其中GS1-TG1-GS2這3個(gè)特征呈現(xiàn)出“高-低-高”的特征，與前面對(duì)物候特征的分析相符合（圖8-a）。同理，假設(shè)將GS1-TG1-GS2這3個(gè)特征設(shè)定為“高-低-高”的特征時(shí)，模型也可以進(jìn)行反向推理，計(jì)算出種植模式為“春夏雙季”的概率最高（圖8-b）。因此，建立的樸素貝葉斯網(wǎng)絡(luò)模型具有優(yōu)秀的概率推理和知識(shí)表達(dá)能力，可以實(shí)現(xiàn)物候信息和種植模式之間的雙向推理。

在推理階段，基于各關(guān)鍵物候期的像元值，利用貝葉斯網(wǎng)絡(luò)的反向推理能力，計(jì)算得到該像元在所有種植模式上的后驗(yàn)概率，取最大后驗(yàn)概率所對(duì)應(yīng)的種植模式作為該像元的種植模式。

3 結(jié)果

3.1 種植模式提取結(jié)果驗(yàn)證

首先采用目視解譯的方法，對(duì)種植模式的提取結(jié)果進(jìn)行定性評(píng)估。典型物候期植被指數(shù)假彩色合成影像與種植模式提取結(jié)果的對(duì)比如圖9所示（以2018年5個(gè)驗(yàn)證區(qū)為例）。在GS1-TG1-GS2這3個(gè)物候特征組合上，除了夏秋雙季與雙季稻略有混淆外，5種種植模式呈現(xiàn)完全不同的高低狀態(tài)組合，因而合成影像上的色調(diào)差異也非常顯著。

驗(yàn)證區(qū)A—E內(nèi)主要的種植模式分別為春?jiǎn)渭?、夏單季、春夏雙季、夏秋雙季和雙季稻。春?jiǎn)渭驹贕S1特征上NDVI為高值，其他兩個(gè)特征上NDVI均為低值，因而在合成影像上呈現(xiàn)紅色（圖9-a1，圖9-a2）；夏單季在GS2特征上為高值，其他兩個(gè)特征上為低值，因而夏單季在合成影像上顯示為藍(lán)色（圖9-b1，圖9-b2）；春夏雙季在GS1和GS2這兩個(gè)特征上均為高值，在TG1特征上為低值，因而在合成影像上春夏雙季為品紅色（圖9-c1，圖9-c2）；夏秋雙季僅在TG1特征上為高值，在GS1和GS2特征上均為低值，因而在合成影像上呈現(xiàn)綠色（圖9-d1，圖9-d2）；雙季稻在GS1上為低值，在TG1上為高值，在GS2上的值介于GS1和TG1的值之間，因而在合成影像上雙季稻呈現(xiàn)綠色偏青色的色調(diào)（圖9-e1，圖9-e2）。

a：正向推理，當(dāng)指定父節(jié)點(diǎn)為“春夏雙季”時(shí)，概率傳遞到子節(jié)點(diǎn)，GS1-TG1-GS2呈現(xiàn)為“高-低-高”的組合特點(diǎn)。由于TG2和GS3節(jié)點(diǎn)只對(duì)雙季稻有效，故此時(shí)概率分布無變化；b：反向推理，給定GS1-TG1-GS2的組合為“高-低-高”時(shí)，概率傳遞到父節(jié)點(diǎn)，預(yù)測(cè)種植模式為“春夏雙季”的概率最高，達(dá)到93.8%

a: Forward inference: when the parent node is specified as "DoubleSpringSummer", the probability is passed to the child node, and GS1-TG1-GS2 changes to a state combination of "high-low-high". Since TG2 and GS3 nodes are only effective for DoubleCroppingRice, its probability does not change at this time. b: Backword inference: when the combination of GS1-TG1-GS2 is specified as "high-low-high", the probability is transferred to the parent node, and the probability of "DoubleSpringSummer" is the highest, reaching 93.8%

圖8 貝葉斯網(wǎng)絡(luò)的正向推理和反向推理

Fig. 8 Forward and backword inference of Bayesian Network

a—e與驗(yàn)證區(qū)A—E一一對(duì)應(yīng)；圖a1—e1為3個(gè)物候特征的假彩色合成影像；圖a2—e2為種植模式的提取結(jié)果

a-e correspond to the validation areas A-E. a1-e1 are the false-color composite images of the three phenological features; a2-e2 are the cropping pattern maps

圖9 驗(yàn)證區(qū)物候特征假彩色合成影像與種植模式提取結(jié)果的對(duì)比

Fig. 9 Comparison between the false color composite images of phenological features and the cropping pattern map in the validation areas

和物候特征假彩色合成影像對(duì)比，可以看出種植模式的提取結(jié)果和目視觀察的5種種植模式的空間分布具有高度的一致性。對(duì)所有種植模式，貝葉斯網(wǎng)絡(luò)模型都能實(shí)現(xiàn)較好的提?。欢以诘貕K較破碎的區(qū)域（驗(yàn)證區(qū)（b）、（d）和（e）），模型也能準(zhǔn)確地區(qū)分不同的種植模式。

表2—6給出了2017—2021年種植模式提取結(jié)果的精度評(píng)價(jià)結(jié)果。總體而言，種植模式的提取精度較高，總體精度（overall accuracy，OA）都在88%以上。就具體的種植模式而言，模型對(duì)所有種植模式提取的用戶精度和制圖精度也都在80%以上，再一次證明了種植模式提取結(jié)果的可靠性。

表2 2017年種植模式提取結(jié)果的精度評(píng)價(jià)

表3 2018年種植模式提取結(jié)果的精度評(píng)價(jià)

表4 2019年種植模式提取結(jié)果的精度評(píng)價(jià)

表5 2020年種植模式提取結(jié)果的精度評(píng)價(jià)

表6 2021年種植模式提取結(jié)果的精度評(píng)價(jià)

3.2 種植模式的時(shí)空分布

2017—2021年江漢平原地區(qū)種植模式的分布如圖10所示?？傮w上來看，夏單季的種植面積最大，春夏雙季次之，二者占比之和超過了90%。夏單季廣泛分布在江漢平原全域。春夏雙季主要分布在江漢平原中東部和西南部的沖積平原上，包括鐘祥市、天門市、潛江市、江陵縣，以及松滋市、公安縣和石首市的北部。夏秋雙季、雙季稻和春?jiǎn)渭镜姆植忌偾壹?。夏秋雙季主要分布在枝江市東南部的方家弓鎮(zhèn)、天門市南部的張港鎮(zhèn)、鐘祥市北部的豐樂鎮(zhèn)，以及漢川市楊林溝鎮(zhèn)。雙季稻主要分布在公安縣南部的淤泥湖周邊和監(jiān)利縣的黃歇口鎮(zhèn)。春?jiǎn)渭玖阈欠植加谇G州區(qū)、石首市和洪湖市的長(zhǎng)江岸邊。

從時(shí)序變化上分析，近5年來江漢平原地區(qū)的種植模式存在著夏秋雙季的明顯擴(kuò)張，以及夏單季和春夏雙季在此消彼長(zhǎng)中小幅減少的趨勢(shì)。具體而言，2017—2021年，夏秋雙季在漢川市方家弓鎮(zhèn)和天門市張港鎮(zhèn)等集中分布的地區(qū)種植面積有所減少，但在江漢平原西北部的沙洋縣、當(dāng)陽市以及掇刀區(qū)等地?cái)U(kuò)張趨勢(shì)顯著，增幅達(dá)87.8%；夏單季和春夏雙季均呈現(xiàn)出在波動(dòng)中減少的趨勢(shì)，減幅為5%左右；雙季稻和春?jiǎn)渭镜姆N植面積總體保持穩(wěn)定。

4 討論

本文提出的技術(shù)方法的特色在于：（1）將年內(nèi)作物的轉(zhuǎn)換作為土地覆蓋變化的一種特殊形式，將植被指數(shù)變化過程和耕地利用方式的空間差異進(jìn)行圖譜合一的表達(dá)，組成了包含所有耕地利用方式（含不同作物種植模式）的物候信息圖譜；（2）將典型物候期的植被指數(shù)的狀態(tài)（高值或低值）進(jìn)行排列組合，建立植被指數(shù)狀態(tài)到耕地利用方式（含種植模式）的信息重映射規(guī)則，得到了地物植被指數(shù)狀態(tài)變化信息圖譜，并在此基礎(chǔ)上根據(jù)農(nóng)作物特有的物候知識(shí)，從中抽取出種植模式譜。

本文得到的種植模式分布圖可以作為作物制圖的依據(jù)之一。在作物制圖中，光譜特征仍然是主要特征，但也存在局限性，如因?yàn)槲锖蚱诓煌瑢?dǎo)致的“同物異譜”現(xiàn)象。在采用分層制圖的思路時(shí)，種植模式數(shù)據(jù)可以作為作物制圖的基礎(chǔ)底圖數(shù)據(jù)。同時(shí)，種植模式分布圖也是種植強(qiáng)度制圖的重要依據(jù)。江漢平原地區(qū)的種植模式非常復(fù)雜，傳統(tǒng)的種植強(qiáng)度制圖方法因?yàn)橛跋窨臻g分辨率和地塊大小的限制，只關(guān)注到了部分種植模式。例如，春夏雙季和夏秋雙季沒有進(jìn)行區(qū)分，統(tǒng)稱為雙季；雙季稻部分被識(shí)別為單季；春?jiǎn)渭颈缓雎粤?。而本文提出的種植模式譜，考慮到了所有的種植模式，能夠全面、準(zhǔn)確地反映江漢平原地區(qū)耕地利用的全貌。

圖10 江漢平原地區(qū)2017—2021年種植模式的空間分布及各種植模式的面積占比

5 結(jié)論

本文基于地學(xué)信息圖譜理論，在對(duì)各種形式的耕地利用方式的物候特征進(jìn)行詳盡分析的基礎(chǔ)上，提出了物候信息圖譜的概念，并選擇典型物候期特征，構(gòu)建了江漢平原地區(qū)的種植模式譜。從時(shí)序Sentinel-2數(shù)據(jù)中挖掘了江漢平原地區(qū)不同種植模式的典型物候差異，選取出5個(gè)關(guān)鍵的物候特征，利用樸素貝葉斯網(wǎng)絡(luò)模型實(shí)現(xiàn)對(duì)江漢平原種植模式譜的合成，并分析了2017—2021年種植模式的時(shí)空分布特征。結(jié)果表明：（1）種植模式譜全面反映了江漢平原地區(qū)種植模式的總體特征，提升了種植模式復(fù)雜地區(qū)耕地利用方式監(jiān)測(cè)的準(zhǔn)確度。（2）基于樸素貝葉斯網(wǎng)絡(luò)和關(guān)鍵物候期的種植模式提取方法，能夠準(zhǔn)確地提取出所有種植模式，2017—2021年的總體精度均在90%左右。（3）江漢平原地區(qū)在2017—2021年間呈現(xiàn)顯著的夏秋雙季擴(kuò)張，以及春夏雙季和夏單季減少的趨勢(shì)。這種變化的部分原因是由于耕地流轉(zhuǎn)和外地資本進(jìn)入導(dǎo)致耕地非糧化（主要是蔬菜和水果種植）等的擴(kuò)張。

[1] 黃國(guó)勤.中國(guó)南方耕作制度. 北京: 中國(guó)農(nóng)業(yè)出版社, 1997.

HUANG G Q. Farming System in Southern China. Beijing: China Agriculture Press, 1997. (in Chinese)

[2] TAO J B, WU W B, LIU W B. Spatial-temporal dynamics of cropping frequency in Hubei Province over 2001-2015. Sensors, 2017, 17(11): 2622.

[3] 李怡, 方斌, 李裕瑞, 璩路路, 李冬杰. 城鎮(zhèn)化進(jìn)程中耕地多功能權(quán)衡/協(xié)同關(guān)系演變及其驅(qū)動(dòng)機(jī)制. 農(nóng)業(yè)工程學(xué)報(bào), 2022, 38(8): 244-254.

LI Y, FANG B, LI Y R, QU L L, LI D J. Trade-off and synergy evolution of farmland functions and its dynamic mechanism in the process of urbanization. Transactions of the Chinese Society of Agricultural Engineering, 2022, 38(8): 244-254. (in Chinese)

[4] 李欣宇, 方斌, 李怡, 李冬杰, 何莎莎. 中國(guó)糧耕價(jià)值比與種植結(jié)構(gòu)時(shí)空耦合演化及分區(qū)調(diào)控. 地理學(xué)報(bào), 2022, 77(11): 2721-2737.

LI X Y, FANG B, LI Y, LI D J, HE S S. Spatio-temporal coupling evolution and zoning regulation of grain-to-arable value ratio and cropping structures in China. Acta Geographica Sinica, 2022, 77(11): 2721-2737. (in Chinese)

[5] 吳郁玲, 張佩, 于億億, 謝銳瑩. 糧食安全視角下中國(guó)耕地“非糧化”研究進(jìn)展與展望. 中國(guó)土地科學(xué), 2021, 35(9): 116-124.

WU Y L, ZHANG P, YU Y Y, XIE R Y. Progress review on and prospects for non-grain cultivated land in China from the perspective of food security. China Land Science, 2021, 35(9): 116-124. (in Chinese)

[6] QIU B W, JIANG F C, CHEN C C, TANG Z H, WU W B, BERRY J. Phenology-pigment based automated peanut mapping using sentinel-2 images. GIScience & Remote Sensing, 2021, 58(8): 1335-1351.

[7] HU Q, MA Y X, XU B D, SONG Q A, TANG H J, WU W B. Estimating sub-pixel soybean fraction from time-series MODIS data using an optimized geographically weighted regression model. Remote Sensing, 2018, 10(4): 491.

[8] HAN J C, ZHANG Z, LUO Y C, CAO J, ZHANG L L, CHENG F, ZHUANG H M, ZHANG J. AsiaRiceMap10m: High-resolution annual paddy rice maps for Southeast and Northeast Asia from 2017 to 2019. Earth System Science Data Discussions, 2021, 211: 1-27.

[9] 劉文斌, 陶建斌, 徐猛, 陳瑞卿, 郭洋. 基于人工神經(jīng)網(wǎng)絡(luò)多源數(shù)據(jù)融合的子像元冬油菜提取: 以兩湖平原為例. 自然資源學(xué)報(bào), 2019, 34(5): 1079-1092.

LIU W B, TAO J B, XU M, CHEN R Q, GUO Y. A study of winter rape extraction at sub-pixel fusing multi-source data based on Artificial Neural Networks: a case study of Jianghan and Dongting Lake Plain. Journal of Natural Resources, 2019, 34(5): 1079-1092. (in Chinese)

[10] 楊靖雅, 胡瓊, 魏浩東, 蔡志文, 張馨予, 宋茜, 徐保東. 基于Sentinel-1/2數(shù)據(jù)的中國(guó)南方單雙季稻識(shí)別結(jié)果一致性分析. 中國(guó)農(nóng)業(yè)科學(xué), 2022, 55(16): 3093-3109.doi: 10.3864/j.issn.0578-1752. 2022.16.003.

YANG J Y, HU Q, WEI H D, CAI Z W, ZHANG X Y, SONG Q, XU B D. Consistency analysis of classification results for single and double cropping rice in Southern China based on sentinel-1/2 imagery. Scientia Agricultura Sinica, 2022, 55(16): 3093-3109. doi: 10.3864/ j.issn.0578-1752.2022.16.003. (in Chinese)

[11] HU Q, YIN H, FRIEDL M A, YOU L Z, LI Z L, TANG H J, WU W B. Integrating coarse-resolution images and agricultural statistics to generate sub-pixel crop type maps and reconciled area estimates. Remote Sensing of Environment, 2021, 258: 112365.

[12] YOU N S, DONG J W, HUANG J X, DU G M, ZHANG G L, HE Y L, YANG T, DI Y Y, XIAO X M. The 10-m crop type maps in Northeast China during 2017-2019. Scientific Data, 2021, 8: 41.

[13] LUO C, LIU H J, LU L P, LIU Z R, KONG F C, ZHANG X L. Monthly composites from Sentinel-1 and Sentinel-2 images for regional major crop mapping with Google Earth Engine. Journal of Integrative Agriculture, 2021, 20(7): 1944-1957.

[14] LUO Y C, ZHANG Z, ZHANG L L, HAN J C, CAO J A, ZHANG J. Developing high-resolution crop maps for major crops in the European union based on transductive transfer learning and limited ground data. Remote Sensing, 2022, 14(8): 1809.

[15] BLICKENSD?RFER L, SCHWIEDER M, PFLUGMACHER D, NENDEL C, ERASMI S, HOSTERT P. Mapping of crop types and crop sequences with combined time series of Sentinel-1, Sentinel-2 and Landsat 8 data for Germany. Remote Sensing of Environment, 2022, 269: 112831.

[16] QIU B W, HU X, CHEN C C, TANG Z H, YANG P, ZHU X L, YAN C, JIAN Z Y. Maps of cropping patterns in China during 2015-2021. Scientific Data, 2022, 9: 479.

[17] WANG Y H, FAN L, TAO R T, ZHANG L T, ZHAO W. Research on cropping intensity mapping of the Huai River Basin (China) based on multi-source remote sensing data fusion. Environmental Science and Pollution Research, 2022, 29(9): 12661-12679.

[18] YAN H M, LIU F, QIN Y W, NIU Z E, DOUGHTY R, XIAO X M. Tracking the spatio-temporal change of cropping intensity in China during 2000–2015. Environmental Research Letters, 2019, 14(3): 035008.

[19] LIU L, XIAO X M, QIN Y W, WANG J, XU X L, HU Y M, QIAO Z. Mapping cropping intensity in China using time series Landsat and Sentinel-2 images and Google Earth Engine. Remote Sensing of Environment, 2020, 239: 111624.

[20] LIU X X, ZHENG J P, YU L, HAO P Y, CHEN B, XIN Q C, FU H H, GONG P. Annual dynamic dataset of global cropping intensity from 2001 to 2019. Scientific Data, 2021, 8: 283.

[21] XIE H L, LIU G Y. Spatiotemporal differences and influencing factors of multiple cropping index in China during 1998-2012. Journal of Geographical Sciences, 2015, 25(11): 1283-1297.

[22] 李宇, 邱炳文, 何玉花, 陳功, 葉智燕. 基于MODIS數(shù)據(jù)的2001—2018年中國(guó)耕地復(fù)種指數(shù)反演研究. 地理科學(xué)進(jìn)展, 2020, 39(11): 1874-1883.

LI Y, QIU B W, HE Y H, CHEN G, YE Z Y. Cropping intensity based on MODIS data in China during 2001-2018. Progress in Geography, 2020, 39(11): 1874-1883. (in Chinese)

[23] ESTEL S, KUEMMERLE T, LEVERS C, BAUMANN M, HOSTERT P. Mapping cropland-use intensity across Europe using MODIS NDVI time series. Environmental Research Letters, 2016, 11(2): 024015.

[24] CHEN B. Globally increased crop growth and cropping intensity from the long-term satellite-based observations. ISPRS Annals of the Photogrammetry, Remote Sensing and Spatial Information Sciences, 2018, IV-3: 45-52.

[25] 冀正欣, 王秀麗, 李玲, 關(guān)小克, 蔚霖, 許月卿. 南陽盆地區(qū)耕地利用效率演變及其影響因素. 自然資源學(xué)報(bào), 2021, 36(3): 688-701.

JI Z X, WANG X L, LI L, GUAN X K, YU L, XU Y Q. The evolution of cultivated land utilization efficiency and its influencing factors in Nanyang Basin. Journal of Natural Resources, 2021, 36(3): 688-701. (in Chinese)

[26] 陳述彭. 地學(xué)信息圖譜芻議. 地理研究, 1998, 17(增刊): 5-8.

CHEN S P. On the map of geo-science information. Geographical Research, 1998,17(Suppl.): 5-8. (in Chinese)

[27] 楊存建. 地學(xué)信息圖譜思想與實(shí)踐探索. 地球信息科學(xué)學(xué)報(bào), 2020, 22(4): 697-704.

YANG C J. The idea of geo-information tupu and its practices. Journal of Geo-Information Science, 2020, 22(4): 697-704. (in Chinese)

[28] 唐常春, 李亞平. 多中心城市群土地利用/覆被變化地學(xué)信息圖譜研究: 以長(zhǎng)株潭城市群為例. 地理研究, 2020, 39(11): 2626-2641.

TANG C C, LI Y P. Geo-information Tupu process of land use/cover change in polycentric urban agglomeration: a case study of Changsha- Zhuzhou-Xiangtan urban agglomeration. Geographical Research, 2020, 39(11): 2626-2641. (in Chinese)

[29] 張韻, 彭建東, 王晶晶, 楊紅. 基于地學(xué)信息圖譜的江漢平原土地利用時(shí)空變化分析. 水土保持研究, 2020, 27(4): 85-92, 2.

ZHANG Y, PENG J D, WANG J J, YANG H. Analysis on spatial and temporal change of land use in Jianghan plain based on geo-information atlas. Research of Soil and Water Conservation, 2020, 27(4): 85-92, 2. (in Chinese)

[30] 劉衛(wèi)東. 江漢平原土地類型與綜合自然區(qū)劃. 地理學(xué)報(bào), 1994, 49(1): 73-83.

LIU W D. Land types and comprehensive physical regionalization in the Jianghan plain. Acta Geographica Sinica, 1994, 49(1): 73-83. (in Chinese)

Remote Sensing Monitoring of Cropping Patterns Based on Phenology Information Atlas

1College of Urban and Environmental Sciences, Central China Normal University/Key Laboratory for Geographical Process Analysis & Simulation of Hubei Province, Wuhan 430079;2Institute of Agricultural Resources and Regional Planning, Chinese Academy of Agricultural Sciences/State Key Laboratory of Efficient Utilization of Arid and Semi-arid Arable Land in Northern China, Beijing 100081

【Objective】 Cropping patterns are a summary of crop sequence which reflects the use patterns and efficiency of cropland resources. Through analyzing the phenological differences of different cropping patterns, the cropland phenology information atlas and cropping pattern spectrum for croplands on the Jianghan Plain were constructed, and the major cropping patterns in this area were mapped. 【Method】 The cropland phenology information atlas including different cropland use patterns was formed through expressing graphically the spatial difference between vegetation index states and cropland use patterns, according to the prior knowledge of crop planting and the phenological differences of different cropping patterns under the framework of geo-information atlas. Taking the major cropping patterns on the Jianghan Plain as the study cases, the vegetation index states in the key phenological periods were arranged and combined to establish the information remapping rule from the vegetation index states to the cropping patterns, their phenological characteristics were explored, and the cropping pattern spectrum was constructed. Then the data during the key phenological periods and phenological knowledge were integrated to map cropping patterns on the Jianghan Plain by using the Naive Bayes Networks. The vegetation index states of the key phenological periods were quantitatively expressed by using the knowledge probability coding method.【Result】The cropping pattern spectrum on the Jianghan Plain was constructed, and it was found that the cropping pattern spectrum on the Jianghan Plain was composed of eight cropping patterns: Spring single-cropping, Summer single-cropping, Spring-and-Summer double-cropping, Summer-and-Autumn double-cropping, double-cropping paddy-rice, cash crops, aquaculture ponds, trees or abandoned croplands. The results showed that the proposed cropping pattern spectrum and the method of mapping cropping patterns based on the key phenological periods and the Naive Bayesian Networks could extract all cropping patterns accurately, at the same time, which had good performance and suitability. There was a significant trend of the expansion of Summer-and-Autumn double-cropping and the shrink of Spring-and-Summer double-cropping and the Summer single-cropping on the Jianghan Plain during the study period.【Conclusion】The cropping pattern spectrum gave a picture of the overall situation of intensive utilization of croplands on the Jianghan Plain, for improving the accuracy of monitoring the use of croplands and enriching the connotation of the use of cropland resources.

phenology information atlas; cropping pattern; cropping pattern spectrum; Bayesian Network; the Jianghan Plain

2023-03-16；

2023-07-10

國(guó)家重點(diǎn)研發(fā)計(jì)劃（2022YFB3903504）、國(guó)家自然科學(xué)基金面上項(xiàng)目（41971371）、中央高?；究蒲袠I(yè)務(wù)費(fèi)項(xiàng)目（CCNU22JC022）

陶建斌，E-mail：taojb@mail.ccnu.edu.cn。通信作者吳文斌，E-mail：wuwenbin@caas.cn

（責(zé)任編輯 李云霞）